CN104732230A - 一种基于细胞核统计信息的病理图像局部特征提取方法 - Google Patents

Abstract

本发明公开了一种基于细胞核统计信息的病理图像局部特征提取方法，本方法首先针对病理图像提取细胞核得到的细胞核图像，对每个细胞核计算其周长、面积、长径、短径、平均灰度，另外对该细胞核的一个圆形邻域计算细胞核数量、平均细胞核距离、平均细胞核周长、平均细胞核面积、平均细胞核长径、平均细胞核短径、平均细胞核平均灰度，将这些属性连接成向量构成该细胞核的局部特征，对图像中所有细胞核计算得到整幅病理图像的局部特征，该特征充分利用病理图像中细胞核的形态和分布特性。本发明可应用于数字病理图像细胞核形态与分布特征的描述，对于准确进行病理图像检索、分类以及计算机辅助诊断有着重要意义，具有广阔的市场前景和应用价值。

Description

一种基于细胞核统计信息的病理图像局部特征提取方法

技术领域

本发明属于数字图像处理领域，特别涉及图像形态学计算的数字图像处理技术，具体为一种基于细胞核统计信息的病理图像局部特征提取方法。

背景技术

数字病理图像是将传统的玻璃病理切片通过全自动显微镜或光学放大***扫描采集得到高分辨数字图像，是病理医生在诊断时的重要依据。近年来，随着病理学和计算机技术的发展，数字病理图像的数量迅速增长，全部人工处理需要病理医生花费大量时间，为了提升病理图像处理效率，从数字病理图像提取合适特征并进行检索、分类等计算机辅助诊断应用成为病理界的一个主要研究方向。

针对病理图像特征选择，国内外学者进行了广泛的研究，使用的特征包括颜色直方图、尺度不变特征转换(Scale Invariant Feature Transform,SIFT)、方向梯度直方图(Histogram of Gradient,HOG)、局部二值模式(Local BinaryPatterns,LBP)等，但是检索、分类效果欠佳，主要因为这些特征是针对自然场景图像提出的，而数字病理图像不同于自然场景图像，具有尺寸巨大、纹理丰富、边缘模糊等特点以及细胞等独特结构，其中细胞核的形态与分布经常成为病理医生的重要诊断依据。因此，针对病理图像设计一种能反映细胞核形态和分布规律的特征对计算机辅助病理诊断具有重要意义。

发明内容

针对上述技术问题，本发明提供一种基于细胞核统计信息的病理图像局部特征提取方法，本方法对象是细胞核图像，是病理图像经过细胞核分割处理后细胞核部分被标记的图像，本方法将图像中每个细胞核区域作为一个特征基元，能准确反映病理图像中每个细胞核及其邻域内其他细胞核的形态和分布情况，从而克服了传统特征无法描述病理图像细胞核自身结构及其邻域性质的不足，能作为病理图像描述子用于病理图像的检索、分类问题并有效提升正确率。

为达到上述目的，本发明所提出的实际问题为：一种基于细胞核统计信息的病理图像局部特征提取方法，其特征在于，包括以下具体步骤：

步骤一、对输入的细胞核图像识别每个独立细胞核并编号；

步骤二、对某个细胞核A，计算其周长、面积、长径、短径、平均灰度；

步骤三、计算A的邻域，统计邻域内所有细胞核的数量、平均相互距离以及步骤二中属性的平均值；

步骤四、将步骤二和步骤三中计算得到的属性作为分量，组成向量即为A的局部特征；

步骤五、对图像中每个细胞核重复步骤二至四，提取局部特征，得到整张病理图像的局部特征。

采用上述技术方案，本发明所述的基于细胞核统计信息的病理图像局部特征提取方法，能提取基于细胞核统计信息的病理图像局部特征，充分利用病理图像中细胞核的形态和分布特性，改善传统图像特征无法体现病理图像特点的不足，更加适用于病理图像；特征提取点锁定为细胞核结构，与病理医生诊断兴趣点相符；对细胞核本体属性的提取，反映细胞核的形态特征；对细胞核邻域内其他细胞核统计，体现细胞核的局部分布特征；本发明所提特征在后续病理图像检索、识别中能取得良好的结果。

附图说明

图1为病理图像细胞核提取效果示意，其中(a)是原始病理图像，(b)为细胞核图像，黑色部分是提取后的细胞核区域；

图2为基于细胞核的统计信息的病理图像局部特征提取流程图；

图3为细胞核长径与短径示意，其中(a)表示长径R，(b)表示短径r；

图4为细胞核邻域示意，图中圆形区域即为细胞核A的邻域；

图5为本发明具体实施例1病理图像细胞核提取效果示意，其中(a)是原始病理图像，(b)为细胞核图像，黑色部分是提取后的细胞核区域；

图6为本发明具体实施例1对每个细胞核编号示意；

图7为本发明具体实施例1病理图像细胞核邻域示意。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图及具体实施方式详细介绍本发明。

本发明所述的基于细胞核统计信息的病理图像局部特征提取方法，包括以下具体步骤：

步骤一、对输入的细胞核图像识别每个独立细胞核并编号；

步骤二、对某个细胞核A，计算其周长、面积、长径、短径、平均灰度；

步骤三、计算A的邻域，统计邻域内所有细胞核的数量、平均相互距离以及步骤二中属性的平均值；

步骤四、将步骤二和步骤三中计算得到的属性作为分量，组成向量即为A的局部特征；

步骤五、对图像中每个细胞核重复步骤二至四，提取局部特征，得到整张病理图像的局部特征。

具体的：本发明的输入为图1(a)所示病理图像提取细胞核得到的细胞核图像图1(b)，具体实现流程如图2所示，各部分具体实施细节如下：

步骤1：对输入的细胞核图像识别每个独立细胞核并编号，同时记录每个细胞核的位置；

细胞核是数字病理图像中的一种特有典型结构，细胞核的形态与分布是病理医生进行诊断时的重要依据，也是发明特征提取的单元。本步骤的主要任务是记录图像中的所有细胞核，每个细胞核会视作一个特征点，其位置为细胞核的形心。

步骤2：对某个细胞核A，计算其周长、面积、长径、短径、平均灰度；

针对步骤1中获取的某个细胞核A，分别计算以下属性：

(1)计算细胞核A的轮廓周长C₁和面积S₁，方法为统计A的边缘像素数和全体像素数，周长和面积反映细胞核的大小和形状特性；

(2)计算细胞核A的长径R₁和短径r₁，记A在某直线的投影长度为L，旋转A一周，过程中L的最大值即为A的长径R₁，L的最小值即为A的短径r₁，如图3所示，长径和短径反映了细胞核接近圆形的程度；

(3)计算细胞核A的平均灰度G₁，公式如下：

$G_1=\frac{1}{S_1}\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{P}_i,---\left(1\right)$

其中P_i表示灰度化后A中每个像素的灰度。

步骤3：计算A的邻域，统计邻域内所有细胞核的数量、平均相互距离以及步骤2中属性的平均值；

确定细胞核A的一个圆形邻域，如图4所示，统计分析邻域内所有细胞核的形态和分布情况，分为以下几个步骤实现：

(1)确定A的邻域，邻域以A的形心为圆心，半径d_m为病理图像中细胞核

平均最近距离的1.5倍，如下式：

$d_m=\frac{1.5}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i,---\left(2\right)$

其中n表示整幅病理图像中细胞核数量，d_i表示某个细胞核与其他细胞核的最近距离。细胞核的距离为细胞核形心点之间的距离；

(2)计算邻域内细胞核数量N和平均相互距离D_m，公式为：

$D_m=\left\{\begin{array}{c}\frac{1}{C_N^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}},N>1\\ d_m,N=1\end{array}\right.,---\left(3\right)$

其中细胞核是否在邻域标准为细胞核形心是否在邻域内；D_ij表示邻域内第i个细胞核和第j个细胞核之间的距离；

(3)计算邻域内步骤2中属性的平均值，如下式：

$C_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_i,---\left(4\right)$

$S_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i,---\left(5\right)$

$R_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_i,---\left(6\right)$

$r_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{r}_i,---\left(7\right)$

$G_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{G}_i,---\left(8\right)$

其中C_m、C_i分别表示邻域内细胞核周长平均值和第i个细胞核周长,S_m、S_i分别表示邻域内细胞核面积平均值和第i个细胞核面积，R_m、R_i分别表示邻域内细胞核长径平均值和第i个细胞核长径，r_m、r_i分别表示邻域内细胞核短径平均值和第i个细胞核短径，G_m、G_i分别表示邻域内细胞核平均灰度的平均值和第i个细胞核平均灰度，G_i的计算和步骤2中G₁计算方法一致。

步骤4：获取单个细胞核A的局部统计特征向量：将步骤2和步骤3中计算得到的细胞核与邻域属性连接，得到12维向量即为细胞核A的局部统计特征f_A,同时与细胞核A的位置p_A一同存储，如下式：

f_A＝[C₁,S₁,R₁,r₁,G₁,N,D_m,C_m,S_m,R_m,r_m,G_m],  (9)

p_A＝[x_A,y_A],  (10)

其中x_A、y_A分别是A的形心在图像中的横纵坐标。

步骤5：对病理图像中每个细胞核提取局部特征：对病理图像中每个细胞核重复步骤2-4，得到所有细胞核的局部特征及其位置。

实施例1

步骤1：对图5(a)中尺寸为256*256的病理图像提取细胞核得到图5(b)，即为本方法的输入，然后对输入的细胞核图像识别每个独立细胞核并编号，如图6所示；同时记录每个细胞核的位置，即形心坐标，如表1所示：

表1 每个细胞核位置

细胞核编号	细胞核位置(形心坐标)
		1	92,98
2	99,92
		3	89,95
4	83,97
		……	……

步骤2：对图7所示的1号细胞核(记为A)，分别计算其以下属性：

(1)轮廓周长C₁即为A的边缘像素个数，得到C₁＝22；

(2)面积S₁即为A的像素总数，得到S₁＝39；

(3)长径R₁和短径r₁，记A在某直线的投影长度为L，旋转A一周，过程中L的最大值即为A的长径R₁，L的最小值即为A的短径r₁，最终得到R₁＝11，r₁＝5；

(4)计算细胞核A的平均灰度G₁，公式如下：

$G_1=\frac{1}{S_1}\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{P}_i,---\left(1\right)$

其中P_i表示灰度化后A中每个像素的灰度，在本图中P₁＝160，P₂＝176，…，P₃₉＝183，最终得到G₁＝174.62；

步骤3：计算图7中A的邻域，统计邻域内所有细胞核的分布密度、平均相互距离以及步骤2中属性的平均值；通过对图像数据及通道相关性的分析，对增益系数进行加权，分别计算三通道增益系数对应的权值，确定细胞核A的一个圆形邻域，统计分析邻域内所有细胞核的形态和分布情况，分为以下几个步骤实现：

(1)确定A的邻域，邻域以A的形心为圆心，半径d_m为病理图像中细胞核平均最近距离的1.5倍，如下式：

$d_m=\frac{1.5}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i,---\left(2\right)$

其中n表示整幅病理图像中细胞核数量，为96，d_i表示某个细胞核与其他细胞核的最近距离在本图中d₁＝12，d₂＝16，…,d₉₆＝19，最终得到d_m＝24，图7中A邻域内B、C即为图6中编号为2、3的细胞核；

(2)计算邻域内细胞核数量N和平均相互距离D_m，公式为：

$D_m=\left\{\begin{array}{c}\frac{1}{C_N^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}},N>1\\ d_m,N=1\end{array}\right.,---\left(3\right)$

其中细胞核是否在邻域标准为细胞核形心是否在邻域内，本图中N为3，D_ij表示邻域内第i个细胞核和第j个细胞核之间的距离，本图中D₁₂＝12，D₁₃＝16，D₂₃＝22，最终得到N＝3，D_m＝16.67；

(3)计算邻域内步骤2中属性的平均值，如下式：

$C_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_i,---\left(4\right)$

$S_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i,---\left(5\right)$

$R_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_i,---\left(6\right)$

$r_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{r}_i,---\left(7\right)$

$G_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{G}_i,---\left(8\right)$

其中C_m、C_i分别表示邻域内细胞核周长平均值和第i个细胞核周长,本图中C₁＝22，C₂＝11，C₃＝15，得到C_m＝16，S_m、S_i分别表示邻域内细胞核面积平均值和第i个细胞核面积，本图中S₁＝39，S₂＝17，S₃＝23，得到S_m＝26.33，R_m、R_i分别表示邻域内细胞核长径平均值和第i个细胞核长径，本图中R₁＝11，R₂＝6，R₃＝8，得到R_m＝8.33，r_m、r_i分别表示邻域内细胞核短径平均值和第i个细胞核短径，本图中r₁＝5，r₂＝5，r₃＝5，得到r_m＝5，G_m、G_i分别表示邻域内细胞核平均灰度的平均值和第i个细胞核平均灰度，G_i的计算和步骤2中G₁计算方法一致，本图中G₁＝174.62，G₂＝176.34，G₃＝180.15，得到G_m＝177.04；

步骤4：获取单个细胞核A的局部统计特征向量；

将步骤2和步骤3中计算得到的细胞核与邻域属性连接，得到12维向量即为细胞核A的局部统计特征f_A,同时与细胞核A的位置p_A一同存储，如下式：

f_A＝[C₁,S₁,R₁,r₁,G₁,N,D_m,C_m,S_m,R_m,r_m,G_m],  (9)

p_A＝[x_A,y_A],  (10)

其中x_A、y_A分别是A的形心在图像中的横纵坐标,得到

f_A＝[22,39,11,5,174.62,3,16.67,16,26.33,8.33,5,177.04],

p_A＝[92,98]；

步骤5：对病理图像中每个细胞核提取局部特征：对病理图像中每个细胞核

重复步骤2-4，得到所有细胞核的局部特征及其位置，如表2所示。

表2 病理图像的细胞核特征列表

细胞核编号	细胞核位置	细胞核特征向量
			1	92,98	22,39,11,5,174.62,3,16.67,16,26.33,8.33,5,177.04
2	99,92	11,17,6,5,176.34,3,15.3314.67,23,6.33,5,178.22
			3	89,95	15,23,8,5,180.15,2,16.5,15,24,6.5,5.5,178.78
……	……	……

本发明可应用于数字病理图像细胞核形态与分布特征的描述，对于准确进行病理图像检索、分类以及计算机辅助诊断有着重要意义，具有广阔的市场前景和应用价值。

Claims (4)

1.一种基于细胞核统计信息的病理图像局部特征提取方法，其特征在于,包括以下步骤：

步骤1:对输入的细胞核图像识别每个独立细胞核并编号；

步骤2:对某个细胞核A，计算其周长、面积、长径、短径、平均灰度；

步骤3:计算A的邻域，统计邻域内所有细胞核的分布密度、平均相互距离以及步骤2中属性的平均值；

步骤4:将步骤2和步骤3中计算得到的属性作为分量，组成向量即为A的局部特征；

步骤5:对图像中每个细胞核重复步骤2至4，提取局部特征，得到整张病理图像的局部特征。

2.根据权利要求1所述的一种基于细胞核统计信息的病理图像局部特征提取方法，其特征在于：所述步骤2对某个细胞核A，计算其周长、面积、长径、短径、平均灰度，其方法是采用公式:

$G_1=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_i,---\left(1\right)$

其中G₁表示细胞核A的平均灰度，m表示A中像素个数，P_i表示灰度化后A中每个像素的灰度。

3.根据权利要求1所述的一种基于细胞核统计信息的病理图像局部特征提取方法，其特征在于：所述步骤3计算A的邻域，统计邻域内所有细胞核的数量、平均相互距离以及步骤(2)中属性的平均值，其方法是采用公式

$d_m=\frac{1.5}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i,---\left(2\right)$

$D_m=\left\{\begin{array}{c}\frac{1}{C_N^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}},N>1\\ d_m,N=1\end{array},---\left(3\right)\right.$

$C_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_i,---\left(4\right)$

$S_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i,--\left(5\right)$

$R_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{R}_i,---\left(6\right)$

$r_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{r}_i,---\left(7\right)$

$G_m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{G}_i,---\left(8\right)$

其中d_m表示细胞核A的邻域圆半径，n表示整幅病理图像中细胞核数量，d_i表示某个细胞核与其他细胞核的最近距离，D_m表示邻域内平均相互距离，N表示邻域内细胞核数量，D_ij表示邻域内第i个细胞核和第j个细胞核之间的距离，C_m、C_i分别表示邻域内细胞核周长平均值和第i个细胞核周长,S_m、S_i分别表示邻域内细胞核面积平均值和第i个细胞核面积，R_m、R_i分别表示邻域内细胞核长径平均值和第i个细胞核长径，r_m、r_i分别表示邻域内细胞核短径平均值和第i个细胞核短径，G_m、G_i分别表示邻域内细胞核平均灰度的平均值和第i个细胞核平均灰度,G_i的计算和步骤2中G₁计算方法一致。

4.根据权利要求1所述的一种基于通道增益系数加权的图像色偏校正方法，其特征在于：所述步骤4将步骤2和步骤3中计算得到的属性作为分量，组成向量即为A的局部特征，其方法是采用公式

f_A＝[C₁,S₁,R₁,r₁,G₁,N,D_m,C_m,S_m,R_m,r_m,G_m]，  (9)

p_A＝[x_A,y_A]，  (10)

其中f_A表示细胞核A的局部统计特征，p_A表示细胞核A的位置，x_A、y_A分别表示A的形心在图像中的横纵坐标。